پیش‌بینی پیوند در شبکه‌های علمی بر اساس رویکرد‌های یادگیری ماشین و گرافهای وزن‌دار

چکیده:

با سرعت گرفتن رشد علم و انتشار مقالات و افزایش زمینه‌های علمی، یافتن همکار پژوهشی مناسب، یافتن منابع تحقیق و زمینه تحقیق برای محققان و نهادهای مربوطه، روز به روز سخت‌تر می‌شود. با انتخاب درست این موارد، می‌توان بیشترین بازدهی را از هزینه و زمان صرف شده برای پژوهش کسب کرد. برای حل این مسئله می‌توان با ایجاد شبکه‌ای شامل مقالات، دانشمندان و سایر موجودیت‌های علمی و ارتباطات بین آن‌ها، یک شبکه‌ علمی ایجاد کرد و با استفاده از پیش‌بینی پیوند ارتباطاتی که در آینده شکل می‌گیرد را پیش‌بینی کرد. در این پایان نامه چارچوبی مبتنی بر یادگیری ماشین برای پیش‌بینی پیوند در شبکه‌های علمی ارائه دادیم. در این چارچوب با وزن‌دهی شبکه بر اساس زمان و محتوا، محاسبه‌ ویژگی‌های ساختاری و متنی جاسازی شده، و انتخاب و استخراج ویژگی و در نهایت نمونه‌گیری منفی با استفاده از خوشه‌بندی، یک مدل یادگیری ماشین برای پیش‌بینی پیوند آموزش داده می‌شود. هر یک از مراحل این چارچوب به صورت جدا و همه با هم آزمایش شدند و نتایج نشان داد روش وزن‌دهی پیشنهاد شده برای شبکه ارجاعات و همکاری نویسندگان باعث افزایش دقت معیارهای شباهت وزن‌دار و در نتیجه افزایش دقت کل الگوریتم می‌شود. همچنین نمونه‌گیری منفی با استفاده از خوشه‌بندی باعث بهتر آموزش داده شدن الگوریتم یادگیری ماشین می‌شود. ویژگی‌های متنی داده‌های علمی مانند عنوان و چکیده مقالات نیز نقش مؤثری در پیش‌بینی پیوندهای آینده دارند.